基于AI技术的高速路面病害及异物智能检测技术研究
这是一篇关于AI技术,高速路面,病害检测,异物检测的论文, 主要内容为路面病害与异物的快速检测及响应是道路养护部门日常巡检工作的主要内容,目的是确保日常道路行车安全。及时发现并修补路面病害,可减少由其造成的行车颠簸,提高道路的安全性及舒适性;及时发现并处理路面异物(抛洒物),可降低由其引起的交通事故率。目前已基本实现道路环境图像数据(病害、异物、护栏等)的自动化采集,但是对于病害及异物的检测仍以人工标注为主。现有的基于图像识别技术的路面病害研究主要集中于对路面裂缝的检测,且检测精度有待提高;针对异物检测的研究主要都是在简单背景下进行的,鲜有相关研究应用于道路领域中复杂背景下的未知形态异物检测。为实现自动化、信息化的道路巡检,本文提出了一系列基于AI技术的高速路面病害及异物智能检测方法。具体内容包括:(1)利用本课题组开发的双目智能巡检设备,采集道路前景图像数据,并在此基础上结合图像处理及图像增强技术,划定目标检测区域,构建路面病害及异物自动检测模型的训练库。(2)提出一种基于Mask R-CNN(AFFM)的路面病害自动检测模型,在模型的特征提取阶段引入了注意力机制模块(Convolutional Block Attention Module,CBAM)与特征融合模块(Feature Fusion Module,FFM)的结合体AFFM。(3)提出一种基于Center Net的路面异物自动检测模型,在构建训练数据库阶段,通过逆透视变换技术去除天空、标志标牌等复杂交通环境背景的干扰,以提高模型的检测性能。本文所提的AFFM模块不仅提高了模型的特征表达能力,还解决了深层卷积神经网络在特征提取过程中细节信息丢失问题,从而提高了模型的检测与分割性能;本文所提的路面异物检测方法通过热力图去预测目标边界框的中心点坐标以及尺寸大小,从而避免由先验框尺寸和宽高比参数束缚所导致的对于路面上形态各异的抛物检测效果不佳问题。实验结果表明,当特征提取主干网络为Res Net101-AFFM-FPN时,Mask R-CNN(AFFM)模型在病害测试集上的m AP值为69.73%;当特征提取主干网络为DLA-34时Center Net模型在异物测试集上的AP50值为70.9%。本文所提的基于Mask R-CNN(AFFM)的路面病害智能检测模型和基于Center Net的异物智能检测模型,均有较好的性能表现,为道路日常巡检工作提供了新的工作模式,可提高道路养护部门的日常巡检工作效率,降低道路养护管理成本,同时为构建信息化的道路养护系统也提供了技术支持,具有一定的研究意义及应用价值。
接触网异物检测系统的设计与实现
这是一篇关于异物检测,鸟巢,MobileNetv3,DeepLabV3+,EfficientNet-B4,YoloV5s的论文, 主要内容为铁路运输是我国贸易往来重要的交通方式,接触网的供电安全是不可忽视的问题。由于铁路接触网异物种类多且不易实时监控,因此如何在复杂的铁路沿线中对入侵物进行实时、准确的排查成为了学者重点研究的课题。本文采用语义分割和目标识别两种方法实现对接触网异物进行检测。语义分割的异物检测方法主要针对检测未知类别的铁路入侵物的实时性和准确性问题,将接触网零部件作为研究对象,通过分析各零部件的检测状态,从而判断接触网是否有异物存在。目标识别的方法以鸟巢为例,针对检测鸟巢大小不固定且边缘不清晰的实时性和准确性问题,以接触网鸟巢为研究内容,通过分析检测大小不一的鸟巢以及其边缘不清晰的影响因素,并对模型改进训练,实现对接触网的异物检测。本文的主要研究内容如下:1)设计了SUBA-DeepLabV3s+异物检测模型。本模型是使用语义分割的方法对未知类别异物进行判定的,首先通过Mobile Netv3＿small模型获取接触网零部件特征,其次针对接触网异物具有悬挂位置不固定、形状大小随机的特点设计了SUBA(Super Convolutional Block Attention Module)结构,该结构是由改进的空间以及通道注意力机制并联构成。空间注意力机制是将普通卷积替换为空洞卷积;通道注意力机制是将多层感知机MLP替换为卷积核为c的卷积。最后结合最大连续长度算法判定接触网是否存在异物。为验证SUBA-DeepLabV3s+模型性能,与FCN-8s、Seg Net、U-Net等5种模型进行了对比实验,实验表明,本模型的平均交并比和时延的性能上最优。2)设计了ESA4-YOLOV5s异物检测模型。本模型是使用目标识别的方法对以鸟巢为例的异物进行识别的,本模型通过Efficient Net-B4模型对鸟巢特征进行提取。针对接触网异物边缘特征不清晰的问题,本文设计了MSPP(Multiple Dense Spatial Pyramid Pooling)结构。该结构将ASPP上层的输出并入至下层的输入而且引入了一条未经处理的路径,在保证原有信息的基础上增强了对特征的提取。使用SUBA以及MSPP结构获取丰富的多尺度特征信息,最后结合预测模块判定接触网是否存在异物。为验证ESA4-YOLOV5s+模型的性能,与YOLOV4、SSD、Faster R-CNN等4种模型进行对比实验,实验表明,本模型在平均准确率和帧率表现最好。3)完成了接触网异物检测系统的设计与实现。本系统设计实现了目标检测、语义分割目标检测实现等功能模块。通过可视化工具对接触网异物统计分析,可以更加便捷的为工作人员服务。
基于深度学习的铁塔隐患检测研究和应用
这是一篇关于深度学习,图像融合,异物检测,隐患检测系统的论文, 主要内容为在通信领域,通信铁塔作为承载通信设备的基础建筑,其安全性对保障通讯和人身安全有着重要作用。因此,在通信行业,铁塔巡检作为一项日常工作存在。当前的铁塔巡检工作仍采用人工巡检和手工核查的方式,且巡检流程没有健全的系统管理,部分工作内容依旧用台账的形式进行管理。该巡检方式既增加了人力成本,也不利于后续数据管理和分析。本文针对隐患自动检测和巡检流程闭环化两部分内容进行研究,解决了检测模型的小样本和小目标、流程闭环的系统设计等问题。本文主要工作和创新点如下:(1)对深度学习中常见的算法进行了详尽研究,选择了速度和准确性较为均衡的SSD算法作为基础模型。以实际巡检图像作为基础数据,通过图像增强扩充数据集,以两者混合的数据集进行模型训练,结论具有实际价值。最终生成的的隐患检测模型mAP达到了 0.756。(2)针对通信铁塔隐患图像存在的小目标问题,基于SSD算法进行选型优化。通过对比实验,FSSD模型可以有效提高精度,对小目标检测更加准确,相比SSD模型mAP提高了 0.035;针对铁塔隐患类数据集上存在的小样本问题,提出使用图像融合方法在数据域持续优化。通过图像融合生成的样本,可以达到与原始图像近似的训练效果,在FSSD算法模型下mAP达到0.815,相比前期数据集mAP提高了 3%。(3)针对铁塔巡检工作中流程分散、系统不闭环的问题,基于生成的隐患检测模型,设计并实现了铁塔隐患检测及告警系统。前端通过Bootstrap完成,后端采用Spring Boot实现,使用MySQL和Redis进行数据存储。系统分为铁塔图像传输及检测模块、邮件传输及告警模块、数据查询模块三大部分,实现了巡检流程的合理串联,解决了铁塔巡检闭环度低的问题。该课题完成的模型和系统与实际场景结合程度高,具有一定的现实意义。
基于无人机巡检的铁路排水结构异物检测方法研究
这是一篇关于铁路排水结构,无人机巡检,图像分类,异物检测,语义分割的论文, 主要内容为铁路在我国发展迅速,随之而来的铁路安全隐患也日益增多。其中,水害是造成铁路安全隐患的重要因素之一,因此定期对铁路排水结构进行排查、清理是很有必要的。目前铁路上的巡检方式,多以人工巡检为主,很难满足如今的巡检效率需求,尤其是铁路隧道区域,其地势复杂,排水系统依山而建,大大增加了人工巡检的难度。因此如何高效地实现铁路排水结构异物检测成为了亟需解决的问题。本文依靠无人机巡检的便携性和高效性,获取铁路现场图像数据,通过深度学习方法对图像进行分类、检测和分割以评估排水结构异物的危险性,实现高效、智能的铁路排水结构检测,该方法能够为铁路排水结构的巡检提供一种新的思路。本文主要进行以下几个方面的研究:1.针对铁路现场数据获取不便的问题,设计了无人机图像采集方案,并对铁路隧道洞口仰坡的巡检航线进行改进,通过现场试验,成功获取了铁路现场的图像数据,用于后续网络模型中数据集的构建。2.针对无人机巡检图像并非只含有铁路排水结构一种检测目标的问题,提出基于Efficient Net V2的无人机图像自动分类方法。将无人机巡检获取到的图像数据划分成四个类别,在MBConv模块中引入ECA注意力机制并调整了深度可分离卷积的卷积核尺寸,同时更改了网络整体的模块堆叠结构。在网络轻量化的同时提高了无人机图像分类效率,实现铁路排水结构在铁路无人机图像中的自动分类。3.针对铁路排水结构中异物特征与排水结构周边环境特征一致的问题,提出基于YOLOX的铁路排水结构异物检测方法。将分类后的排水结构图像作为数据集,根据异物特征分为五类检测目标,增加了网络的分流,以获取更深层的特征信息;替换了主干网络中的残差模块及空间特征池化金字塔模块,同时选择使用EIo U loss损失函数,一定程度上改善了正负样本不均衡的问题,提高了铁路排水结构异物检测的准确率。4.针对传统铁路排水结构异物危险性评估效率低的问题,提出基于U2Net的铁路排水结构异物危险性智能评估方法。在目标检测数据集的基础上构建语义分割数据集,考虑到分割网络的模型尺寸,使用深度可分离卷积替换了网络中参与采样的普通卷积,并在特征融合模块加入ECA注意力机制,得到掩膜形式的异物分割结果。最后设计了危险性评估模块,计算分割后异物在排水结构中的像素占比,评估其对铁路排水结构的危害程度,并提出整治建议。本文基于铁路现场采集到的无人机图像数据,依次对其进行了图像分类、目标检测和语义分割三种网络的试验。针对铁路排水结构异物这一目标,将改进后的网络与部分主流网络进行比较,证明了本文研究方法在检测效率与准确率上的优势,该方法可实现铁路排水结构的高效、智能化检测,具有一定的实际应用价值。
开心果异物自动分选系统设计与研制
这是一篇关于开心果,深度学习,异物检测,YOLOv5,分选系统的论文, 主要内容为杂质检测是食品加工过程中的重要环节,以开心果为例,准确检测并剔除包装前的开心果中混有的异物是一大难题。为了准确识别并剔除开心果中参杂的异物,本文设计了一种基于深度学习的开心果自动分选系统,具体研究内容及结果如下:本文构建了基于开心果及相关异物的数据集,采用数据增强的方式扩充样本数据集;研究并分析了目前主流的深度学习目标识别算法,并选择YOLOv5作为本文开心果异物分选检测模型的基础网络框架。构建基于YOLOv5网络模型的开心果异物检测模型。在主干部分增加了小目标检测层,提高了模型对小型异物的检测能力;提出了一种Tans-E模块替换了原有网络中的部分卷积块,能更好地捕捉图像全局信息;加入CBAM注意力模块提高模型对通道特征的敏感性,便于在密集对象中找到预测区域;修改IOU损失函数为EIOU使得收敛效果更佳;最后引入Ghost Net模块使模型更轻量化,提升模型检测速率。测试结果表明,改进后的YOLOv5模型m AP达到88.9%,比原YOLOv5网络平均精度提高6.7%,小型杂质识别效果明显优于原YOLOv5网络,检测速率仅降低了3.9%。基于NX二次开发技术实现了开心果分选装置模型的建立及参数化设计系统的设计。利用Menu Script工具创建了NX定制化菜单栏,基于MFC完成了参数化设计系统对话框的设计,采用自顶向下的参数化设计方法传递模型参数,利用C++语言编写参数化建模程序,实现了修改设计参数后开心果异物分选机构模型随之改变的效果。对分选装备的机械机构进行了具体方案设计和制作,设计了相关控制系统对分选装置进行分选控制,实现开心果异物分选功能。并采用与数据集相同的样本进行了试验测试,通过分选平台验证了模型对数据集样本的识别效果,识别试验结果表明本文建立的基于改进YOLOv5的开心果异物检测模型有良好的精确度与平均精度。最后利用开心果物料进行了异物分选试验,平均分选成功率达到97.5%。
开心果异物自动分选系统设计与研制
这是一篇关于开心果,深度学习,异物检测,YOLOv5,分选系统的论文, 主要内容为杂质检测是食品加工过程中的重要环节,以开心果为例,准确检测并剔除包装前的开心果中混有的异物是一大难题。为了准确识别并剔除开心果中参杂的异物,本文设计了一种基于深度学习的开心果自动分选系统,具体研究内容及结果如下:本文构建了基于开心果及相关异物的数据集,采用数据增强的方式扩充样本数据集;研究并分析了目前主流的深度学习目标识别算法,并选择YOLOv5作为本文开心果异物分选检测模型的基础网络框架。构建基于YOLOv5网络模型的开心果异物检测模型。在主干部分增加了小目标检测层,提高了模型对小型异物的检测能力;提出了一种Tans-E模块替换了原有网络中的部分卷积块,能更好地捕捉图像全局信息;加入CBAM注意力模块提高模型对通道特征的敏感性,便于在密集对象中找到预测区域;修改IOU损失函数为EIOU使得收敛效果更佳;最后引入Ghost Net模块使模型更轻量化,提升模型检测速率。测试结果表明,改进后的YOLOv5模型m AP达到88.9%,比原YOLOv5网络平均精度提高6.7%,小型杂质识别效果明显优于原YOLOv5网络,检测速率仅降低了3.9%。基于NX二次开发技术实现了开心果分选装置模型的建立及参数化设计系统的设计。利用Menu Script工具创建了NX定制化菜单栏,基于MFC完成了参数化设计系统对话框的设计,采用自顶向下的参数化设计方法传递模型参数,利用C++语言编写参数化建模程序,实现了修改设计参数后开心果异物分选机构模型随之改变的效果。对分选装备的机械机构进行了具体方案设计和制作,设计了相关控制系统对分选装置进行分选控制,实现开心果异物分选功能。并采用与数据集相同的样本进行了试验测试,通过分选平台验证了模型对数据集样本的识别效果,识别试验结果表明本文建立的基于改进YOLOv5的开心果异物检测模型有良好的精确度与平均精度。最后利用开心果物料进行了异物分选试验,平均分选成功率达到97.5%。
基于AI技术的高速路面病害及异物智能检测技术研究
这是一篇关于AI技术,高速路面,病害检测,异物检测的论文, 主要内容为路面病害与异物的快速检测及响应是道路养护部门日常巡检工作的主要内容,目的是确保日常道路行车安全。及时发现并修补路面病害,可减少由其造成的行车颠簸,提高道路的安全性及舒适性;及时发现并处理路面异物(抛洒物),可降低由其引起的交通事故率。目前已基本实现道路环境图像数据(病害、异物、护栏等)的自动化采集,但是对于病害及异物的检测仍以人工标注为主。现有的基于图像识别技术的路面病害研究主要集中于对路面裂缝的检测,且检测精度有待提高;针对异物检测的研究主要都是在简单背景下进行的,鲜有相关研究应用于道路领域中复杂背景下的未知形态异物检测。为实现自动化、信息化的道路巡检,本文提出了一系列基于AI技术的高速路面病害及异物智能检测方法。具体内容包括:(1)利用本课题组开发的双目智能巡检设备,采集道路前景图像数据,并在此基础上结合图像处理及图像增强技术,划定目标检测区域,构建路面病害及异物自动检测模型的训练库。(2)提出一种基于Mask R-CNN(AFFM)的路面病害自动检测模型,在模型的特征提取阶段引入了注意力机制模块(Convolutional Block Attention Module,CBAM)与特征融合模块(Feature Fusion Module,FFM)的结合体AFFM。(3)提出一种基于Center Net的路面异物自动检测模型,在构建训练数据库阶段,通过逆透视变换技术去除天空、标志标牌等复杂交通环境背景的干扰,以提高模型的检测性能。本文所提的AFFM模块不仅提高了模型的特征表达能力,还解决了深层卷积神经网络在特征提取过程中细节信息丢失问题,从而提高了模型的检测与分割性能;本文所提的路面异物检测方法通过热力图去预测目标边界框的中心点坐标以及尺寸大小,从而避免由先验框尺寸和宽高比参数束缚所导致的对于路面上形态各异的抛物检测效果不佳问题。实验结果表明,当特征提取主干网络为Res Net101-AFFM-FPN时,Mask R-CNN(AFFM)模型在病害测试集上的m AP值为69.73%;当特征提取主干网络为DLA-34时Center Net模型在异物测试集上的AP50值为70.9%。本文所提的基于Mask R-CNN(AFFM)的路面病害智能检测模型和基于Center Net的异物智能检测模型,均有较好的性能表现,为道路日常巡检工作提供了新的工作模式,可提高道路养护部门的日常巡检工作效率,降低道路养护管理成本,同时为构建信息化的道路养护系统也提供了技术支持,具有一定的研究意义及应用价值。
基于激光扫描系统的机车车顶异物检测
这是一篇关于机车车顶,三维点云,点云配准,相关熵,异物检测的论文, 主要内容为铁路作为中国重要的基础设施和春运期间最主要的交通工具,其客、货运输系统正处于高速发展阶段,同时也伴随着巨大的运行安全压力。机车车顶异物的存在是列车运行的安全隐患,如损毁列车固有设备,造成列车无法正常运行等。但是机车车顶异物的检测与定位至今仍是一个难点,目前国内外并没有一套完整的体系可以自动完成机车车顶的异物检测。本文提出了一种基于激光扫描结合点云处理的异物检测方法。首先,论文采用一台三维激光扫描仪LMS400对车顶进行扫描。扫描仪不容易受到光线等外界干扰。其次,激光扫描仪的距离传感器获得的数据经速度校正后,在空间坐标系下重构成三维点云。距离传感器获得的数据是极坐标下包括距离与角度的信息,为了获得真实的三维点云,我们在列车前进方向加入速度的因素,使点云成为实际运动过程中的点云。然后,我们使用改进的ICP算法进行点云配准。最后,我们采用基于动态阈值的背景差法来查找异物。本论文在前期用MATLAB进行仿真,实现所有算法并达到检测要求后,将前期仿真的算法转换成C代码。实验仿真结果显示,基于相关熵度量的鲁棒ICP配准算法有较高的配准精度和较快的收敛速度,同时,异物也能准确地被检测出来。论文最后对本方法进行了总结并提出了一些有待改进的地方,对后续的研究任务做出了展望。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/54478.html
